西安科技大學2014年神經(jīng)網(wǎng)絡期末試卷

1、神經(jīng)網(wǎng)絡原理一、填空題1、從系統(tǒng)的觀點講，人工神經(jīng)元網(wǎng)絡是由大量神經(jīng)元通過極其豐富和完善的連接而構成的自適應、非線性、動力學系統(tǒng)。2、神經(jīng)網(wǎng)絡的基本特性有拓撲性、學習性和穩(wěn)定收斂性。3、神經(jīng)網(wǎng)絡按結構可分為前饋網(wǎng)絡和反饋網(wǎng)絡，按性能可分為離散型和連續(xù)型，按學習方式可分為有導師和無導師。4、神經(jīng)網(wǎng)絡研究的發(fā)展大致經(jīng)過了四個階段。5、網(wǎng)絡穩(wěn)定性指從t=0時刻初態(tài)開始，到t時刻后v(t+t)=v(t)，(t>0)，稱網(wǎng)絡穩(wěn)定。6、聯(lián)想的形式有兩種，它們分是自聯(lián)想和異聯(lián)想。7、存儲容量指網(wǎng)絡穩(wěn)定點的個數(shù)，提高存儲容量的途徑一是改進網(wǎng)絡的拓撲結構，二是改進學習方法。8、非穩(wěn)定吸引子有兩種狀態(tài)，一是

2、有限環(huán)狀態(tài)，二是混沌狀態(tài)。9、神經(jīng)元分興奮性神經(jīng)元和抑制性神經(jīng)元。10、漢明距離指兩個向量中對應元素不同的個數(shù)。二、簡答題1、人工神經(jīng)元網(wǎng)絡的特點？答：（1）、信息分布存儲和容錯性。（2）、大規(guī)模并行協(xié)同處理。（3）、自學習、自組織和自適應。（4）、人工神經(jīng)元網(wǎng)絡是大量的神經(jīng)元的集體行為，表現(xiàn)為復雜的非線性動力學特性。（5）人式神經(jīng)元網(wǎng)絡具有不適合高精度計算、學習算法和網(wǎng)絡設計沒有統(tǒng)一標準等局限性。2、單個神經(jīng)元的動作特征有哪些？答：單個神經(jīng)元的動作特征有：（1）、空間相加性；（2）、時間相加性；（3）、閾值作用；（4）、不應期；（5）、可塑性；（6）疲勞。3、怎樣描述動力學系統(tǒng)？答：對于離散

3、時間系統(tǒng)，用一組一階差分方程來描述：X(t+1)=FX(t)；對于連續(xù)時間系統(tǒng)，用一階微分方程來描述：dU(t)/dt=FU(t)。4、F(x)與x的關系如下圖，試述它們分別有幾個平衡狀態(tài)，是否為穩(wěn)定的平衡狀態(tài)？XF(X)0ab(1) XF(X)0a(2) 答：在圖（1）中，有兩個平衡狀態(tài)a、b，其中，在a點曲線斜率|F(X)|>1，為非穩(wěn)定平穩(wěn)狀態(tài)；在b點曲線斜率|F(X)|<1，為穩(wěn)定平穩(wěn)狀態(tài)。在圖（2）中，有一個平穩(wěn)狀態(tài)a，且在該點曲線斜率|F(X)|>1，為非穩(wěn)定平穩(wěn)狀態(tài)。5、對于單個神經(jīng)元的離散模型，Hebb學習假設是什么，基本學習方程是什么？答：對于單個神經(jīng)元的離

4、散模型，Hebb學習假設是：只有當神經(jīng)元興奮時，與其連接的突觸結合權才被強化而增大；當兩個神經(jīng)元同時處于興奮狀態(tài)時，它們之間的連接權應該加強?；緦W習方程是：6、聯(lián)想形式中的自聯(lián)想和異聯(lián)想有何區(qū)別？答：自聯(lián)想指的是由某種代表事物（或該事物的主要特征或可能是部分主在特征）聯(lián)想到其所表示的實際事物。其數(shù)學模型為：當輸入XX0+V時，輸出Y=X0。異聯(lián)想指的是由某一事物（或該事物的主要特征或可能是部分主在特征）聯(lián)想到與其相關的另一事物。其數(shù)學模型為：在映射X0Y0下，當輸入XX0+V時，輸出Y=Y0。7、網(wǎng)絡的穩(wěn)定吸引子和吸引子的吸引域分別指什么？答：當t=0時，對網(wǎng)絡輸入模式x，網(wǎng)絡處于狀態(tài)v(0

5、)，到時刻t網(wǎng)絡達到狀態(tài)v(t)，若v(t)穩(wěn)定，則稱v(t)為網(wǎng)絡的穩(wěn)定吸引子。吸引子的吸引域是指所有經(jīng)過一定時間能夠穩(wěn)定在吸引子v(t)上的所有初始狀態(tài)的集合。三、論述題1、 前饋式神經(jīng)元網(wǎng)絡與反饋式神經(jīng)元網(wǎng)絡有何不同？答：（1）、前饋型神經(jīng)元網(wǎng)絡取連續(xù)或離散變量，一般不考慮輸出與輸入在時間上的滯后效應，只表達輸出與輸入的映射關系。反饋式神經(jīng)元網(wǎng)絡可以用離散變量也可以用連續(xù)取值，考慮輸出與輸入之間在時間上和延遲，需要用動態(tài)方程來描述系統(tǒng)的模型。（2）、前饋型網(wǎng)絡的學習主要采用誤差修正法（如BP算法），計算過程一般比較慢，收斂速度也比較慢。而反饋型網(wǎng)絡主要采用Hebb學習規(guī)則，一般情況下計算

6、的收斂速度很快。反饋網(wǎng)絡也有類似于前饋網(wǎng)絡的應用，例如用作聯(lián)想記憶或分類，而在優(yōu)化計算方面的應用更能顯出反饋網(wǎng)絡的特點。2、 試述離散型Hopfield神經(jīng)元網(wǎng)絡的結構及工作原理。（1） Hopfield神經(jīng)元網(wǎng)絡的結構如下： 這種網(wǎng)絡是一種單層網(wǎng)絡，由n個單元組成。每個神精元既是輸入單元，又是輸出單元；各節(jié)點一般選用相同的轉移函數(shù)，且為符號函數(shù)，即： 為網(wǎng)絡的輸入； 為網(wǎng)絡的輸出； 為網(wǎng)絡在時刻t 的狀態(tài)，其中t0，1，2，··· 為離散時間變量。Wij為從Ni到Nj的連接權值，Hopfield網(wǎng)絡為對稱的即有Wij = Wji 。N1N2Nn-1Nnx1x2xn-1xny1y2Yn-1ynV1(t)V2(t)Vn-1(t)Vn(t)w21Wn-1 2（2）、工作原理：、網(wǎng)絡經(jīng)過訓練后，可以認為網(wǎng)絡處于等待工作狀態(tài)，對網(wǎng)絡給定初始輸入x時，網(wǎng)絡就處于特定的初始狀態(tài)，由此初始狀態(tài)開始運行，可以得到網(wǎng)絡的下一個輸出狀態(tài)。、這個輸出狀態(tài)通過反饋回送到網(wǎng)絡的輸入端，作為網(wǎng)絡下一